Forutsigende vedlikehold: Maksimer oppetid og kostnadsbesparelser for utstyr
Forutsigende vedlikehold vurderer kontinuerlig utstyrets helse i sanntid, og hjelper deg med å maksimere utstyrets ytelse, driftstid og levetid samtidig som de totale eierkostnadene minimeres.
Hva er predictive maintenance?
Prognosevedlikehold er en tilnærming til vedlikehold som legger vekt på å høre hva bedriftens ressurser prøver å fortelle deg. Maskinene i fabrikkene dine, lastebilparken din, industriutstyret ditt – de har snakket med deg i årevis. Hvis du kan lytte nøye, kan du forstå når maskinene dine er i ferd med å bryte ned og hva de trenger for å kjøre lenger og jevnere.
Med prognosevedlikehold kan bedriften forutse utstyrsfeil og planlegge vedlikehold når og hvor det er behov for det umiddelbart. Den gir deg den informasjonen som trengs for å kjøre dine eiendeler på topp ytelse uten å skyve dem for langt og risikere dyre sammenbrudd.
Definisjon av predictive maintenance
Prognosevedlikehold forsøker å forhindre utstyrsfeil og nedetid ved å koble IoT-aktiverte virksomhetsressurser, bruke avanserte analyser til dataene de genererer i sanntid, og bruke den tilhørende innsikten til å informere kostnadseffektive, effektive vedlikeholdsprotokoller.
Hvorfor er prediktivt vedlikehold så viktig i dag?
Forutsigende vedlikehold er viktig fordi det sparer bedrifter tid og penger ved å gå over kostbar og forstyrrende utstyrsfeil. Etter hvert som forbrukernes behov for produkttilgjengelighet vokser, kan organisasjoner med prediktive vedlikeholdsprogrammer produsere uten avbrudd. Resultatet er kontinuerlig kundelojalitet, høyere inntekter og bedre konkurransefortrinn.
Smarte prediktive vedlikeholdsløsninger forutsier når vedlikehold av anlegg er nødvendig, bidrar til å øke kostnadseffektiviteten og effektivisere komplekse krav til anleggsstyring i foretaket. Enkelt sagt, å bruke prediktiv vedlikeholdsteknologi hjelper bedriften med å spare tid, penger og prosedyremessige hodepine.
Hvordan fungerer prognosevedlikehold?
Prognosevedlikehold fungerer ved å registrere og analysere utstyrsdata i sanntid for å prognostisere potensielle problemer før de fører til utstyrsfeil.
Det første trinnet i denne prosessen involverer innsamling av sanntidsdata og informasjon fra nettverkstilkoblede IoT-sensorer som overfører informasjon om utstyrsforhold. Disse data må så lagres og håndteres på en måte som gjør at de lett kan aksesseres, behandles og analyseres. Den "prediktive" komponenten kommer i spill når kunstig intelligens (AI) og maskinlæringsteknologier brukes på dataene for å fortelle en nyttig og handlende historie.
Det er fire grunnleggende stadier til arkitekturen av prediktivt vedlikehold og et industrielt IoT (IIoT) nettverk:
Prognosevedlikeholdsprosessen
- Samle data fra sensorer som kan overvåke maskinens egenskaper som vibrasjon, temperatur, fuktighet, trykk, støy og mer
- Overføring av disse dataene i sanntid over nettverket til et sentralt forretningssystem
- Bruke intelligente teknologier som AI og maskinlæringsanalyser på disse dataene for å avsløre nyttig og relevant innsikt
- Å iverksette raske tiltak basert på disse innsiktene, enten med en automatisert respons eller gjennom menneskelig intervensjon
Bruke prediktiv vedlikeholdsteknologi
Betingelsesovervåkning
Prediktiv vedlikehold er gjort mulig gjennom cyber-fysiske systemer som bringer maskiner og programvare sammen i et intelligent IoT-nettverk. For å bygge et slikt nettverk, start med å identifisere eiendelsbetingelsene som må overvåkes.
Analysen som kreves for å identifisere eiendelsvilkårene, kan være visuelle, hørbare, termiske eller mest typiske, en kombinasjon av disse kriteriene. Fokuset på dette punktet er å bestemme de riktige sensorene og overvåkingsverktøyene som skal monteres:
Vibrasjonsanalyse: Små endringer i vibrasjonsmønstre kan indikere ubalanse eller feiljustering, mens høye vibrasjonsnivåer kan indikere forestående lagerproblemer. Vibrasjonsanalyse kan gi tidlige advarsler om feil og er spesielt nyttig ved deteksjon av ubalanse, feilinnretting, mekanisk løshet eller slitte eller skadede deler.
Lyd- og ultralydanalyse: Under normal drift skaper de fleste systemer stabile lydmønstre. Endringer i referanselydmønsteret kan indikere slitasje eller andre typer forringelse. Ultrasoniske analyser kan også gi informasjon om systemets generelle helse ved å oversette høyfrekvente lyder (slik som de som produseres av damp eller luftlekkasjer) til det hørbare området.
Infrarød analyse: Som med ultralydanalyse, avdekker termografi også det skjulte ved hjelp av infrarød analyse for å oversette temperaturendringer til et synlig spektrum. Selv små endringer i normale driftstemperaturer kan advare om forestående problemer.
Væskeanalyse: Utover ganske enkelt å overvåke væskenivåene og temperaturen, kan den fysiske og kjemiske analysen av væsker gi verdifull informasjon om tilstanden til mekaniske komponenter. Ved å detektere nedbrytningshastigheten i kjølemidler og smøremidler, kan det treffes forebyggende tiltak så snart disse innsiktene tilsier det.
Andre: Andre prediktive vedlikeholdsteknologier er spesialisert for ulike unike industrielle behov. Disse inkluderer laserinnretting, elektrisk kretsovervåking, sprekkdeteksjon, feildeteksjon, korrosjonsovervåking, elektriske motstandsendringer og andre bransjespesifikke metoder for å måle korrosjon eller forringelse.
Viktige prediktive vedlikeholdsteknologier
Når kriteriene ovenfor er fastsatt, må de riktige sensorene og monitorene tilpasses og kobles til et sentralt forretningssystem, vanligvis et ERP-system (Enterprise Resource Planning), gjennom et skytilkoblet IoT-nettverk. Til slutt må AI-drevne løsninger være på plass for å analysere dataene og levere nyttig innsikt og anbefalinger fra dataene som er samlet inn.
IoT-nettverk: Når bedriftens ressurser utvides med sensorer, prosesseringsevne og andre teknologier, kan de sende og motta data – vanligvis via nettskytilkobling – til og fra et sentralt forretningssystem. Dette omfatter et IoT-nettverk og underbygger den prediktive vedlikeholdsstrategien.
IoT-gateways: Mange eldre ressurser fungerer fortsatt helt bra, men deres analoge teknologi går forut for digital integrasjon. Disse maskinene kan utstyres med IoT-gatewayenheter, som kan omfatte kameraer, mikrofoner og termometre, for å samle inn og overføre sanntidsdata om deres driftstilstander.
Nettskytilkobling: Cloud-tilkobling gir tilgjengelighet ved behov for datasystemressurser. I et IoT-nettverk som består av flere industrielle ressurser, er det avgjørende at datasentre med flere steder integreres i én enkelt database og ett enkelt system.
Moderne database og ERP: Legacy diskbaserte databaser er ikke godt utstyrt for å administrere voluminøse og ikke-lineære data som består av Big Data og komplekse datasett. I tillegg bruker prediktivt vedlikehold AI og maskinlæring til å utføre avanserte analyser av slike data. Hele denne prosessen betjenes best av en moderne AI-drevet ERP med en in-memory-database som er rask, responsiv og nesten uendelig skalerbar.
AI og maskinlæring: Maskinlæring er en delmengde av AI som bruker algoritmer til å analysere og forstå data. Løsninger for prognosevedlikehold avhenger av AI og maskinlæring for ikke bare å sortere, forstå og lære av driftsdataene for foretakets ressurser, men også generere nyttige anbefalinger og innsikt.
Avansert analyse: AI og maskinlæring makt avansert analyse. Ledere må bestemme egenskapene og betingelsene som skal vurderes, og de analytiske resultatene som ønskes. På denne måten kan algoritmene som informerer avanserte analyser programmeres til å være så innsiktsfulle og gjennomførbare som mulig, og for best å lære av data og nye erfaringer over tid.
Digitale tvillinger: En digital tvilling er en virtuell rekreasjon av en faktisk fysisk eiendel. Ved å lage digitale tvillinger, kan ledere besøke alle mulige operasjonelle scenarier på tvillingen – uten noen risiko for reell skade på en kostbar maskin eller enhet. Dette bidrar til å øke prediktivt vedlikehold ved å tillate maskinlæring og AI-verktøy å innlemme og lære av erfaringer som aldri engang har skjedd.
Prognosevedlikehold versus forebyggende vedlikehold
Forskjellen mellom disse vedlikeholdsmodellene ligger ikke så mye i hvordan vedlikeholdsoppgavene utføres, men når.
Forebyggende vedlikehold: Vedlikehold som er informert av tidligere ytelse og kunnskap og erfaring fra ingeniører og operatører. Den inkluderer rutine, periodisk, planlagt eller tidsbasert vedlikehold. Selv om det ofte forhindrer havari, kan det være unøyaktig, noe som kan føre til dyrt vedlikehold før det er nødvendig eller til ubemerkede svakheter i vedlikeholdsprosessen. Forebyggende vedlikehold skjer til tider som er forhåndsinnstilt, ofte lenge i forveien.
Prognosevedlikehold: Vedlikehold som er mulig når IoT-nettverk integrerer alle virksomhetens ressurser i et levende økosystem. Muligheten til å overføre og analysere data i sanntid betyr at overvåkning av aktive aktivaforhold – i stedet for kalendere – blir grunnlaget for vedlikeholdsprotokoller. Prognosevedlikehold skjer i sanntid, akkurat når og hvor det trengs.
Andre anleggsvedlikeholdsteknikker
Reaktivt vedlikehold
Vedlikehold utført som følge av plutselig driftsstans eller svikt i utstyret. Denne typen vedlikehold er ofte ikke planlagt og kan føre til økt nedetid og kostnader.
Korrektivt vedlikehold
Vedlikehold utført for å korrigere en feil eller feil i utstyret. Denne typen vedlikehold utføres vanligvis etter at et problem er identifisert og kan bidra til å forhindre at det oppstår ytterligere problemer.
Prescriptivt vedlikehold
Vedlikehold som fastsettes av produsentens anbefalinger eller retningslinjer for et bestemt utstyr. Denne typen vedlikehold er basert på produsentens fastsatte tidsplan for vedlikeholdsoppgaver.
Betingelsesbasert vedlikehold
Vedlikehold utført basert på tilstanden til utstyret, i stedet for en forhåndsbestemt tidsplan. Denne typen vedlikehold bruker overvåkning og inspeksjon for å fastslå når det er nødvendig å gripe inn. Selv om det kan bidra til å redusere unødvendige vedlikeholdsoppgaver og minimere nedetid, er betingelsesbasert vedlikehold svært manuelt og tidkrevende.
Pålitelighetssentrert vedlikehold
Vedlikehold som prioriterer oppgaver basert på pålitelighet og kritikalitet for utstyr. Denne tilnærmingen fokuserer på å identifisere de viktigste vedlikeholdsoppgavene for å maksimere utstyrets pålitelighet og effektivitet.
Utviklingen av anleggsvedlikehold
Følgende diagram (tilpasset fra Deloitte) viser utviklingen av teknologiske evner gjennom industrielle revolusjoner og den resulterende virkningen på vedlikeholdsstrategier og utstyrseffektivitet.
Prognosevedlikeholdseksempler i aktivitet
Olje- og gassektoren: Oljeboring setter enorm slitasje på eiendeler og kan føre til stor risiko og fare i tilfelle svikt. Ved å overvåke oljetemperaturen og hastigheten på girkasser i boreutstyr, har prediktivt vedlikehold forbedret sikkerheten og de reduserte vedlikeholdskostnadene med opptil 38 %.
Bilindustri: På samlebånd utfører spotsveisepistoler omtrent 15.000 punktsveiser hver dag. Ved å koble til sveisepistoler rundt om i verden og samle inn driftsdata, kan bilprodusenter samle millioner av datapunkter, noe som fører til enestående prediktiv nøyaktighet på tilstanden og tilstanden til disse eiendelene.
Produksjon av husholdningsapparater: Vibrasjonsmålinger av trommelrotasjonen i produksjonen av tørketromler har bidratt til å forutsi funksjonssvikt eller sammenbrudd. Denne prediktive vedlikeholdsapplikasjonen har eliminert produksjonsdefekter med 33% og redusert forbrukervedlikeholdskostnadene med 27%.
Railroad Asset Management: "Voids" oppstår når en tom plass utvikler seg under et spor som fører til potensiell forsinkelse eller til og med avsporing. Nyere innovasjon har ført til kabelbaserte systemer som overvåker en rekke variabler når de ruller over skinnene. Dette har ført til forbedret deteksjon av tomrom og en samlet økning i kundesikkerheten.
Stålindustri: Anomali deteksjon brukes til å samle sanntids avlesninger av vibrasjon, rotasjonshastighet og elektrisk strøm (ampere) i kaldvalsing utstyr som brukes i stålbehandling. Denne applikasjonen har ført til en 60% forbedring i utstyrets levetid og sterkt reduserte tap på grunn av nedetid og forsinkelser.
Fordeler med prediktive vedlikeholdsprogrammer
Implementeringen av prediktive vedlikeholdssystemer har ført til imponerende resultater på tvers av flere bransjer. En rapport fra Deloitte fra 2022 siterer en rekke kvantifiserbare forbedringer. Disse inkluderer opptil 15 % reduksjon i nedetid, en 20 % økning i arbeidsproduktiviteten og en 30 % reduksjon i lagerbeholdning med mindre behov for å lagre deler i tilfelle.
Med teknologier som AI og integrert ERP på hånden, viser organisasjoner fordelene med prediktive vedlikeholdsløsninger som virkelig fungerer. Disse omfatter:
Bedre oversikt over hele driften: Med økt oversikt over feltressurser og annet eksternt utstyr, kan OEM-er og tredjeparts tjenesteleverandører levere mer informerte tjenester og større verdi.
Lavere vedlikeholdskostnader og forbedret anleggsytelse: Ved å minimere nedetiden sparer prediktivt vedlikehold deg penger og hjelper deg med å få mer bruk fra eksisterende anlegg selv når du forlenger levetiden.
Mer styrkede team: Bevæpnet med datavitenskap og sanntidsanalyse, dine aktivaoperatører, tjenesteleverandører og forsyningskjedeansvarlige kan gjøre overgangen fra brannmenn til planleggere og strateger.
Overvinne felles forutsigende vedlikeholdsutfordringer
Denne delen belyser vanlige utfordringer knyttet til forebyggende vedlikehold og utforsker strategier for å overvinne dem.
Datakvalitet og -tilgjengelighet: Forutsigende vedlikehold er avhengig av høy kvalitet og tilstrekkelige historiske data. Dårlig datakvalitet eller utilstrekkelige data kan føre til unøyaktige prognoser. For å bidra til å sikre datakvalitet er beste praksis å etablere et datastyringsprogram støttet av viktige interessenter.
IoT-tilkobling: Oppsett av et tilkoblet IoT-nettverk krever smart utstyr og kantenheter med sensorer som kan kobles til datasjøer og overføre data i flate filformater. Legg vekt på å forenkle tilkoblingsscenarioene slik at du kan koble til en hvilken som helst IoT-datakilde uten problemer.
IoT-enhetsadministrasjon: Administrasjon av IoT-nettverksenheter krever fokus på enhetssikkerhet for å minimere sårbarheter for nettangrep. Samtidig ønsker du å fremme interoperabilitet på tvers av enheter og skalere opp etter behov. For å oppnå riktig balanse, er det best å ta i bruk moderne ressursytelsesadministrasjonsløsninger som støtter innebygd avansert enhetsadministrasjon og robuste tilkoblingsmuligheter.
Dataintegrasjon: Integrering av data fra ulike kilder som IoT-sensorer, gamle systemer og vedlikeholdsposter kan være komplekse og tidkrevende. Se etter en kraftig, bedriftsbasert integrasjonsplattform med et omfattende bibliotek med forhåndsbygde konnektorer som støtter dine behov for dataintegrasjon.
Kompleksitet i sensordata: IoT-sensordata kan være vanskelig å forstå, og krever ofte spesialisert datakunnskap som utgjør en barriere for pålitelighetsteknikere. Se etter løsninger for ressursytelsesstyring som kan dele ut data slik at ikke-tekniske målgrupper kan forstå og manipulere dem.
Algoritmeutvalg: Å velge de riktige algoritmene for prediktivt vedlikehold er nøkkelen til suksess. Sørg for å nøye evaluere spesifikke brukstilfeller og egenskapene til dataene for å velge de mest hensiktsmessige algoritmene for maskin- og forretningsbehov.
Integrasjon av vedlikeholdsstrategi: Implementering av prognosevedlikehold krever integrering i eksisterende vedlikeholdsstrategier og arbeidsflyter. Motstand mot endringer og organisatorisk treghet kan hindre vellykket implementering. Sterk ledelse, lederstøtte, klar kommunikasjon og profesjonell endringsledelse er nødvendig for å lykkes.
Hvordan implementere et prediktivt vedlikeholdsprogram i tre enkle trinn
- Definer mål og fastsett omfang: Start ved å identifisere hvilke overvåkningsbetingelser som er riktige for hver ressurs. For eksempel er infrarød termografi best brukt på utstyr som kan lekke luft eller damp mens vibrasjonsanalyse er best brukt på roterende utstyr, men ikke utstyr som roterer sakte (mindre enn 5 rpm). Oljeanalyse og akustisk analyse er bedre for langsomt roterende utstyr. Vær også sikker på å bestemme omfanget av innsatsen din. Vil du for eksempel overvåke spesifikke, individuelle eiendeler eller streber du etter mer omfattende dekning?
- Installer aktuelle IoT-sensorer: Installer IoT-sensorer basert på analysetypene som passer best for hver overvåkede ressurs – begynn å samle inn data. Sørg for at disse sensorene er koblet til databehandlingssystemer – som de som vanligvis er integrert i løsninger for ressursytelsesstyring – for å redusere kostnader, tid og menneskelige feil.
- Konfigurere protokoller: For effektivt å reagere på avviksoppdagelser må du sette opp protokoller for å sikre at ressursene repareres effektivt og i samsvar med oppetidsmål. Disse protokollene kan automatiseres, manuelt eller en blanding av begge.
Forvandle forsyningskjeden med prediktive vedlikeholdsløsninger
Mange bedrifter har ikke endret strategier for vedlikehold av aktiva på flere tiår – til tross for at de har modernisert andre områder i virksomheten. Endring av langvarige prosesser er utfordrende, og det kan være vanskelig å få innkjøp fra teamene dine. De mest vellykkede forretningsplanene begynner med en god kommunikasjons- og endringsstyringsstrategi – for å bidra til å engasjere teamene dine og bryte ned siloer. Snakk med din programvareleverandør for å lære mer om hvilke verktøy og løsninger som vil fungere best for dine unike behov, og for å få deg til å rulle med veikartet og den digitale transformasjonsreisen.
Utforsk prediktive vedlikeholdsløsninger
Maksimer anleggsytelsen med moderne verktøy for prediktivt vedlikehold.
Fremdriv ressurser, pålitelighet og sikkerhet med KI
Finn ut hvordan jernbaner og andre ressursintensive bransjer kan bruke KI-assistert visuell inspeksjon for å forbedre påliteligheten, optimalisere driften og redusere kostnadene.